Un approccio d'igiene statistico ad emicranie non croniche

Full text

Gabriele Giordano Statistica e Gestione delle Informazioni
Un approccio d'igiene statistico ad
emicranie non croniche
Obiettivo
Introduzione
Caso di studio
Disegno
Materiale e metodi
Dati fase 2016-2019
Dati fase 2019-2023
Dati fase 2012-2023
Modelli e metodi fase 2016-2019
Modelli e metodi fase 2019-2023
Modelli e metodi fase 2012-2023
Risultati fase 2016-2019
Risultati fase 2019-2023
Risultati fase 2012-2023
Discussione
Bibliografia e note
Obiettivo
studiare i fattori di rischio delle mie emicranie al fine di prevenirle senza utilizzare farmaci,
dato che la letteratura risulta più popolata dell’approccio farmacologico anziché quello non
farmacologico.

Introduzione
Secondo uno storico studio italiano1, in Italia l’emicrania o cefalea ha una prevalenza intorno
all’11,6% e avviene 3 volte più frequentemente nelle donne che negli uomini. La patologia
tende a venir sottovalutata, quindi talvolta non diagnosticata e non trattata. Nonostante ciò,
ha spesso lunga durata e l’Organizzazione Mondiale della Sanità la classifica al secondo
posto per malattie che causano disabilità.
Esistono varie tipologie di cefalee:
● a grappolo: infrequenti e particolarmente dolorose
● tensiva: provocata da una tensione dei muscoli di collo, nuca, tempie e spalle.
Intensità solitamente lieve
● emicrania: dolore unilaterale, come suggerisce l’etimologia del nome, di tipo
pulsante, di solito accompagnato anche da altri sintomi.
Nell’indagine Censis 20192, emerge che solo l’8,4% dei rispondenti giudica la terapia
farmacologica pienamente efficace.

Tra i malati quindi risulta diffusa la sfiducia di poter controllare la malattia e la propensione
ad usufruire dei centri dedicati al trattamento delle cefalee.
La gestione della malattia richiede
● farmaci da banco o dietro prescrizione sia per la cura che per la prevenzione
● visite specialistiche
● indagini diagnostiche di laboratorio e strumentali
● sedute di fisioterapia, ginnastica posturale/osteopatia
● sedute psicoterapiche
● tecniche di rilassamento e di gestione dello stress strumentale
● pronto soccorso per i casi più gravi
Caso di studio
Soffro di emicranie occasionali, senz’aurea, almeno dal 2010. Esiste una familiarità, dal
momento che mia madre e diversi parenti da parte materna ne soffrono.
Dalle visite mediche effettuate, non emergo sensibilità ai cibi contenenti istamina e tiramina,
come inizialmente supposto dal neurologo. Anche le allergie da polline non sembrano poter
spiegare il fenomeno.

In alcuni casi l’evento emicrania non causa come sintomo solo il dolore unilaterale pulsante,
ma nausea, vomito, stanchezza, debolezza, sensibilità a suoni e odori.
Negli anni ho provato a gestire la situazione con:
● assunzione di integratori con artiglio di diavolo
● visite neurologiche e oculistica
● esami del sangue
● diete che hanno portato ad escludere di volta in volta uno dei potenziali cibi suggeriti
come promotori della cefalea (latte, glutine, cioccolato, formaggi stagionati, crostacei)
Risolvo attivamente degli attacchi emicranici correndo all’aria aperta o facendo esercizi
aerobici. Gli altri eventi di solito si risolvono a seguito di un pasto abbondante, che
corrisponde sempre alla cena, in quanto l’emicrania quasi sempre si sviluppa dopo le ore 15.
Disegno
Come disegno ho uno studio osservazionale N-of-13. Questo tipo di studio serve per
descrivere, nel corso del tempo, cambiamenti naturali intra-individuali nei comportamenti o
nei sintomi legati alla salute, per testare teorie comportamentali e per sviluppare interventi
sanitari altamente personalizzati. Ad oggi, questi tipi di studi risultano poco utilizzati nella
psicologia della salute e nella medicina comportamentale. Probabilmente a causa della
complessità dell'analisi statistica.
Ho deciso di dividere lo studio in 3 parti: la prima in cui ho studiato specificatamente le
variabili legate alla dieta e agli stili di vita, la seconda che ha studiato la C02 e gli stili di vita
e la terza che ha incluso la variabile numero di piante in casa.

Materiale e metodi
Dati fase 2016-2019
Dati raccolti dal 21/09/2016 al 16/06/2019, ossia 999 osservazioni. Ho individuato le variabili
legate alla dieta sia tramite consiglio del neurologo che tramite la letteratura, cercando i
fattori di rischio per le emicranie. In particolare, per ciascun alimento (cioccolato, crostacei,
formaggi stagionati indicati con FS, latte.) ho riportato (assunzione si/no) per ogni giorno.
Per le variabili stili di vita ho scelto le seguenti:
palestra indicato con Gym..P.A - (si/no)
lezioni all’università indicato come UniLesson - (ore di lezione)
presenza giorni di università indicato come UniDual - (si/no)
uso di un aereo indicato come variabile Volo - (si/no)
stress indicata come Stress - (da 1 a 10)
lunghi viaggi in auto indicato come AutoAltaPercorrenza - (si/no).
Ho applicato una trasformazione per la variabile data, in modo da estrarre il mese e la
stagione (Quarti)
Dati fase 2019-2023
Dati raccolti dal 23/01/2019 al 28/02/2023. Per quanto riguarda la CO2, il periodo di raccolta
inizia il 14/11/2019, tramite il sensore “CO2meter” alimentato con cavo USB.
Rispetto le variabili della fase 2019-2019, ho continuato a rilevare le informazioni delle
seguenti variabili: UniClass, Stress, Physical Activity (ossia Gym..P.a.), data. Anche in
questa fase ho estratto l’informazione relativa al mese di ciascuna data.
Dati fase 2012-2023
Il dataset con più osservazioni ma meno variabili.

Ho considerato le variabili casa nuova (assenza o presenza, con trasferimento avvenuto a
novembre 2014), numero di piante nella stanza (Piante_stanza), trasferte (viaggi o gite), e
periodo università, inteso come periodo di iscrizione, non di giorni attivi di frequentazione.
Modelli e metodi fase 2016-2019
Ho verificato l'assenza di autocorrelazione tramite il coefficiente di autocorrelazione parziale.
L'autocorrelazione parziale (PACF Partial AutoCorrelation Function) misura il legame tra le
variabili Zte Zt-k (appartenenti allo stesso processo stocastico) al netto dell'influenza
esercitata dalle variabili intermedie
Ho modellato la variabile insorgenza di emicrania tramite un modello logistico.
Il modello di regressione logistica permette di usare come variabile dipendente, o risposta,
una variabile binaria e p variabili esplicative per spiegare la variabile dipendente. Il logit della
probabilità d'interesse (successo) viene espresso in funzione lineare delle variabili
esplicative. Il modello rientra tra i modelli lineari generalizzati, che include numerosi modelli
con forme distributive diverse (es. Poisson anziché binomiale) per la variabile risposta.
Il modello logistico assume che la variabile dipendente dicotoma segua la seguente
funzione di probabilità, se Y ha distribuzione di Bernoulli:
𝑃(𝑌=𝑦)=𝑝𝑦(1−𝑝)1−𝑦
da cui, nel caso generale, con ,
𝑃(𝑌𝑖=1)=𝑝𝑖
𝑧𝑖=𝑙𝑜𝑔𝑖𝑡(𝑝𝑖)=𝑙𝑜𝑔(𝑝(𝑌=1)
𝑝(𝑌=0))=𝑥'𝑖β
dove indica il vettore colonna delle variabili esplicative osservate per l’unità i con
𝑥𝑖. indica il coefficiente. Facendo l’exp di questo si ottiene la variazione del
𝑖=1, 2,..., 𝑛 β
rapporto tra la probabilità del successo e dell'insuccesso (Odds Ratio) per una variazione
unitaria della variabile tenendo fisse le altre variabili esplicative
𝑥𝑖

Ho inoltre utilizzato i seguenti modelli di apprendimento automatico, con i dati divisi in train
(66%) e test:
● Albero4metodo rpart. Metodo di divisione Gini e parametro di tuning di nome
parametro complessità
● Rete neurale5. Con stimatore gradient descent e parametri di tuning numero di
neuroni e decay
● Foreste casuali6Utilizza sempre Gini; tuning: il numero di variabili da campionare
casualmente come candidate ad ogni split.
● XGBoost7: utilizza un tipo di gradient boosting, che opera sui residui dei modelli.
Tuning: eta, profondità massima, colsample_bytree, sotto campioni, iterazioni
● Adaboost8: aggiusta il peso delle osservazioni misclassificate ad ogni iterazione;
Tuning: numero iterazioni, metodo utilizzato (Real o M1)
I modelli di apprendimento automatico avevano come input il dataset di train con
oversampling, un approccio non nuovo8nel contesto, visto che si tratta di un dataset molto
sbilanciato rispetto l’evento 0.
Come metriche di prestazioni dei modelli, ho scelto l’area sotto la curva ROC, la sensibilità e
la specificità. Gli algoritmi di apprendimento automatico avevano come obiettivo la
massimizzazione della specificità sui dati di train.
Modelli e metodi fase 2019-2023
Non ho utilizzato un addestramento real time ma batch. L’ultima esecuzione risale ai primi di
febbraio.
Anche in questo caso, dopo aver verificato l’assenza di autocorrelazione tramite
autocorrelazione parziale, come primo modello ho usato quello logistico.
Dopo aver utilizzato una GAM, ho scelto di utilizzare la trasformata esponenziale di stress
perché l’anova per gli effetti non parametrici evidenziava una significatività.
A seguito ho utilizzato un modello zero-inflated10 (ZI). Qui possiamo descrivere la variabile
risposta in questo modo

𝑌𝑖=0, 𝑐𝑜𝑛 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡à π𝑖1- )
𝑌𝑖∼𝐵𝑁(𝑝𝑖, 𝑘) 𝑐𝑜𝑛 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡à ( π𝑖
dove indica la media della distribuzione binomiale negativa sottostante e k il parametro di
𝑝𝑖
sovradispersione.
Il modello ZI e il modello hurdle risultano simili. I primi appaiono come più naturali quando
risulta ragionevole pensare alla popolazione come a un miscuglio, con un insieme di soggetti
che necessariamente hanno una risposta pari a 0. Tuttavia, risultano più complessi da
applicare, in quanto le componenti del modello vanno adattate simultaneamente. Al
contrario, coi modelli hurdle possiamo adattare separatamente le due componenti11.
Successivamente ho creato un modello rete12 costruito sulle correlazioni parziali
significative, anche se non risulta il metodo più appropriato. Come per i SEM, i modelli rete
richiedono covariate normali e un effetto lineare. Sulla prima condizione, non soddisfatta in
quanto ho una variabile risposta ordinale con distribuzione esponenziale negativa, esistono
vari correttivi13.

In ultima istanza ho utilizzato un’’analisi bayesiana14.

Modelli e metodi fase 2012-2023
Come nella frase precedente, ho creato un modello rete costruito sulle correlazioni parziali
significative, anche se non risulta il metodo più appropriato in quanto qui ho una variabile
risposta dicotomica, non normale. Quindi i risultati vanno presi con cautela.

E ho controllato i risultati con un’analisi bayesiana.
Ho condotto le analisi di tutte le fasi con il software R e JASP.
Risultati fase 2016-2019
Variabile
Frequenze per presenza (%)
UniDual
230 (23%)
Gym…P.A
368 (37%)
Chocolate
557 (56%)
Crostacei
26 (3%)
FS
191 (19%)
Latte
884 (88%)
Volo
15 (2%)
Auto Alta Percorrenza
5 (1%)

Tabella evento di interesse emicranie:
Assenza
Presenza
90.39%
9.61%
Durante quel periodo, per ogni giorno di emicrania, in media avevo 10 giorni senza
emicrania
Variabile
Beta
p-value
Uni.Lesson
0.269
0.000

Volo
1.282
0.037
FS
0.636
0.018
Quarti
0.348
0.028
Gym…P.A.
-0.943
0.002
Mese
-0.053
0.109
AutoAltaPercorrenza
1.809
0.058
Chocolate
-0.240
0.32
exp(Stress)
0.0001
0.016
AIC
593.66
Devianza residua
573.66
A livello inferenziale, le variabili più significative risultano Uni.lesson, Volo, FS, Quarti,
Gym…P.A, exp(stress) con un incremento significativo del rischio di emicrania. Da questa
analisi emerge che la l’esposizione al cioccolato e ai viaggi in auto non sembrano risultare
associati all’evento.
L’AIC si può ottimizzare, in quanto relativamente alto, togliendo le variabili non significative.
A seguire le prestazioni predittive sui dati di training, con i modelli addestrati con le variabili
Uni.Lesson, volo, FS, Quarti,Gym...P.A., AutoAltaPercorrenza, Mese, Chocolate, Stress.
Come si può notare, la specificità risulta molto alta (oltre il 90%) per tutti i metodi utilizzati,
dal momento che l’addestramento dei modelli aveva come obiettivo la massimizzazione di
quella metrica. La sensibilità risulta abbastanza alta (80-90%) tranne per l’albero
decisionale. Random forest, adaboost ed extreme gradient boosting risultano i metodi che
forniscono valori più alti di sensibilità. Tuttavia, questi ultimi espongono ad instabilità.

Diagnostica ROC su dati test.
Tralasciando quindi l’albero decisionale perché aveva performance basse oltre ad alta
instabilità e considerando il modello lasso come metro di paragone, ottengo che i modelli
con una buona area sotto la curva ROC risultano l’adaboost e l’extreme gradient boosting.
Concentrandomi sul metodo Adaboost, posso notare che quando utilizzo i dati di test, la
specificità15 risulta più che soddisfacente così come la sensibilità.

Risultati sui dati test del miglior modello (Adaboost)
Paragone con modello glm di train costruito con le stesse variabili, senza “tunare”:

Risultati fase 2019-2023
In questa fase ho analizzato, oltre ad alcune variabili legate agli stili di vita anche la
concentrazione di CO2. In questo caso però ho come variabile di interesse l’intensità di
emicrania su una scala da 0 a 10. Il primo grafico mostra la distribuzione della variabile
intensità con un andamento esponenziale negativo.

Il grafico mostra l’andamento nel tempo della concentrazione massima, in una finestra di 30
min, di CO2 misurata di giorno.

Intensità
emicrania
Frequenza
0
741
1
31
2
13
3
10
4
7
5
5
6
4
7
1
8
1
9
1
Emicrania
Assenza
Presenza
Frequenza
772
42
in quel periodo, non ho avuto emicranie per il 91.03% dei giorni, contro il 90.39% della fase
2016-2019.
Anche in questo caso non si osservano autocorrelazioni parziali significative:

Il modello logistico addestrato su tutto il dataset, con variabile risposta Migraine (costruita
nel seguente modo: 1 se intensità>=1; 0 altrimenti) e variabili esplicative
log(MaxCO2nightexcl+1)*as.factor(UniClass) ha le seguenti prestazioni scarse:

L’alta presenza di zeri mi ha portato ad usare un modello zero-inflated costruito sul dataset
train. In questo caso ho modellato gli zeri considerando le variabili Stress come polinomio di
3° grado e UniClass come variabile fattore. Il modello relativo alle intensità maggiori di zero
utilizza le variabili Physical_activity, Mese e assumendo nessuna intercetta.

Come si può osservare, l’attività fisica sembra diminuire l'intensità mentre i mesi di febbraio,
aprile, novembre e dicembre lo aumentano in maniera significativa. La presenza in
università aumenta la probabilità di avere un valore non 0 per la variabile intensità.
La diagnostica del modello non evidenzia problemi:

Se tutto ciò può sembrare un buon auspicio per prestazioni soddisfacenti sulla parte di test,
la realtà si mostra amara:

La diagonale principale mostra, ancora una volta, ottima capacità predittiva sull’assenza di
emicrania, pessima sui livelli di intensità.
Per analizzare l’effetto delle variabili Stress, C02, Mese, Physical_activity sull’intensità
dell'emicrania ho utilizzato un modello rete in cui la CO2 ha il peso maggiore, seguito dallo
stress.
tuttavia questi risultati non vengono confermati dall’analisi della correlazione bayesiana in
cui tutti i Bayes Factor tendono all’ipotesi nulla.

Risultati fase 2012-2023
In quest’ultima analisi ho analizzato i dati dal 2012 al 2023 per evidenziare l’impatto della
condizione di trasferimento di casa e delle altre variabili sulla presenza di emicrania. Il
grafico sotto riporta la storia clinica e ambientale durante questo periodo.

Storico delle emicranie dal 2012. Si osserva un aumento degli eventi a seguito del
trasferimento

Gli anni 2012 e 2013 hanno sicuramente avuto più eventi, almeno altri 2
Anche in questo caso ho analizzato i dati con un modello rete
Dal grafico emerge che la presenza di piante nella stanza sembra risultare negativamente
legata alla presenza di emicranie.
Il cambio casa invece sembra aver aumentato il rischio di emicranie.
L’analisi bayesiana, in questo caso, risulta abbastanza in accordo con il modello rete
costruito con le correlazioni parziali:

Per quanto riguarda la correlazione di pearson per Piante_stanza:
Correlazione di Kendall per Casa_Nuova_O_Tasferta;

Discussione
Dalle analisi effettuate sembra che la CO2 possa risultare il fattore più importante. Variabili
quali Ore di lezione (Uni.Lesson), volo ed auto, risultavano significative perché tracciano
qualcosa. Più precisamente, la concentrazione di CO2, come già precedentemente
anticipato. In letteratura si trova che la NASA16 ha già studiato come i livelli della molecola
nella stazione spaziale internazionale aumentino il rischio di avere vari tipi di mal di testa. Un
altro studio17 collega la frequenza delle emicranie e mal di testa a parametri ambientali
interni non confortevoli per la salute.
L’aumento della CO2 del sangue causa una condizione nota come ipercapnia18.Curioso
notare come alcuni studi risolvono gli attacchi creando questa condizione19, pur se questa e
il suo opposto20 risultano stimolanti di mal di testa.
Per quanto riguarda il grafico dell’andamento dal 2012 degli episodi di emicrania , spicca
l’aumento degli eventi a seguito del trasferimento e la diminuzione di questi verso metà
novembre, a seguito delle rilevazioni di CO2 effettuate col sensore nella mia abitazione, che
andavano oltre la maggior parte delle linee guida presenti a pagina 5 di questo documento21,
che mi hanno portato ad agire sui ricambi d’aria.
Il sensore, a livello di impostazioni di fabbrica, contiene due allarmi secondo la normativa
americana: uno a 800ppm ed un altro a 1200ppm. A casa, pur da solo e quindi con meno
bioeffluenti, difficilmente riesco a tenermi sotto i 800ppm nella metà delle stagioni, dove, per
questioni energetiche, i ricambi d’aria risultano limitati.

All’università, che presenta impianti di Ventilazione Meccanica Controllata in vari locali,
come da normativa (slide22 100-101), ho osservato valori da 760ppm a 1700ppm in circa 14
giorni. Quest’ultimo valore, forse, in un’aula senza impianto (U7-717).
L’esposizione maggiore di CO2 nei giorni universitari avviene, più che altro, nei giorni in cui
prendo il treno alle ore di punta, quindi con numerosi bioeffluenti. Ad esempio, il giorno 7
gennaio 2020 il treno 7:52 per Milano Centrale presentava una concentrazione superiore
alla capacità di lettura del sensore, ossia 3000ppm.
A riprova che la concentrazione di CO2 potrebbe risultare la causa delle emicranie, occorre
osservare che,in circa il 90% dei casi di attacchi di emicrania di una certa intensità(>5),
risolvo correndo all’aria aperta o facendo esercizi aerobici. L’iperpnea prodotta dall’attività
fisica potrebbe garantire un rapido ricambio23 di gas nel sangue, visto che la corsa di solito
non dura per più di 10 minuti.
Questa narrativa, tuttavia, non spiegherebbe, dal punto di vista qualitativo, perché sono
riuscito a risolvere rarissimi eventi di emicrania notturna effettuando una “corsa da fermo”
nella mia stanza, in quanto non avevo intenzione di creare rumori in casa per andare a
correre all’aperto. Un’attività fisica in ambiente chiuso, infatti, aumenta di molto i valori di
CO2.
In analisi successive converrebbe approfondire altre variabili che potrebbero influenzare
l’effetto della variabile CO2, quali ad esempio, il mese; quest’ultimo potrebbe influenzare
anche la produzione ed assunzione della vitamina D24, in quanto l’esposizione alla luce
solare e l’integrazione tramite dieta dipende proprio dal periodo indicato da mese.
Quest’analisi potrebbe sostituire l’esame di laboratorio per verificare la carenza di vitamina
D. Un esito positivo non risulterebbe una novità, visto che in Italia ha una prevalenza
piuttosto elevata25. Uno studio piuttosto limitato nel campione26 ha riscontrato la carenza nel
77,1% dei pazienti e si verificava più frequentemente in primavera e in inverno che in estate
e in autunno. Questo risulterebbe compatibile con i miei risultati. Tuttavia, solo 18 dei 30
studi inclusi in una revisione27 della letteratura, hanno mostrato un legame tra i livelli sierici di
vitamina D e le cefalee, con il legame più forte stabilito tra la vitamina D sierica e l'emicrania.
Infine, la vitamina D spiegherebbe sia perché riesco a risolvere degli eventi correndo28 , sia
perché i giorni di palestra abbassano il rischio di avere emicranie29. Il meccanismo d’azione
risulterebbe il seguente: la corsa o l’attività fisica aumenta la richiesta energetica e quindi il
metabolismo lipidico; i tessuti lipidici risultano uno dei principali depositi di vitamina D; la
scissione dei lipidi (lipolisi) ha come sottoprodotto il rilascio di vitamina D30.

Altra possibile investigazione: la variabile Casa_Nuova potrebbe influenzare la presenza di
composti organici volatili (VOC), legati alla presenza di materiali edili31 utilizzati per la
ristrutturazione. I VOC possono aumentare il rischio di emicrania32 e le piante, anche in
funzione delle ore di luce, abbattono questo inquinante33. Tuttavia questo succede più
facilmente in un ambiente controllato come un laboratorio anzinché un ambiente dinamico
come un ufficio o una camera34. Tra l’altro, la qualità dell’aria può stimolare la carenza di
vitamina D35.
Bibliografia e note
1. Roncolato, 2000
2. Vivere con l'emicrania
3. Full article: Analysing N-of-1 observational data in health psychology and behavioural
medicine: a 10-step SPSS tutorial for beginners
4. Decision tree learning - Wikipedia
5. Artificial neural network - Wikipedia
6. Random forest - Wikipedia
7. XGBoost - Wikipedia
8. AdaBoost - Wikipedia
9. MyGraine: Predicting Migraines Through Various Machine Learning Models Utilizing
User-Inputted Data
10. Zero Inflated Poisson and Zero Inflated Negative Binomial Models with Application to Number
of Falls in the Elderly
11. Modeling Nonnegative Data with Clumping at Zero: A Survey 1 Introduction p.17
12. A Tutorial on Regularized Partial Correlation Networks p.3-7
13. A Tutorial on Regularized Partial Correlation Networks p.7
14. 1 | Page JASP – Bayesian Inference. Dr Mark Goss-Sampson
15. Non ho adottato la scuola di pensiero che vuole i risultati corretti secondo le probabilità
evento-non evento pre oversampling (prior)
16. Relationship Between Carbon Dioxide Levels and Reported Headaches on the International
Space Station | Request PDF
17. Headache symptoms and indoor environmental parameters: Results from the EPA BASE
study - PMC
18. Ipercapnia

19. Treatment of acute migraine by a partial rebreathing device: A randomized controlled pilot
study
20. Physiology, Carbon Dioxide Retention - StatPearls - NCBI Bookshelf
21. http://old.iss.it/binary/iasa/cont/CO2_H2S_FINALE.pdf
22. https://people.unica.it/robertoricciu/files/2013/04/2013_04_17_La-ventilazione.pdf
23. Physiological effects of exercise:Changes in arterial blood gases
https://watermark.silverchair.com/mkh050.pdf?token=AQECAHi208BE49Ooan9kkhW_Ercy7
Dm3ZL_9Cf3qfKAc485ysgAAAl0wggJZBgkqhkiG9w0BBwagggJKMIICRgIBADCCAj8GCSqG
SIb3DQEHATAeBglghkgBZQMEAS4wEQQMjXoH9L47SsxvHB55AgEQgIICEE5OCoTY_KLD
O6Vj85X4L23j9KjXhMYjNJLhEAu76uXKF4-zQdKUTjNhftvzGhtAWKP7AtDo4AQntgKqF-B8H
o23PnAIfGBQ7kTRUJFwu60WMq1NLeQ_Svnlk7nvcva3UCB82r9wl0XwDXpRugGYzGdOkt5
3FOqGvAa2D37LMpeyNypiWhMOuEmrz36Ez121617SZYqtSQN2oJWwBUIm-iQSutL_jRFdT
BeKpwftFlJefHTr484PO4sK73pOQPH0FIVmq9dsjVl6wdp82hp77cy2b8N0SlBvHgYzrvDxIos2
D6bhJMtFyGcbwWmz4yoWx_EVe8Wc-Otv97FUbZHdYBFgmoLtKDJxj9e3qIf16z7kbj9iEZ4kc
uAU4bNOAjcn3JRWHhzdigz4k0TWvbwxuAWjc8_PlXWLcD6Hkd7-TOoGLvC7hd16OTdG4yu
t5wdUZnxinG-yEp-9oq4c1MNlsqFUeZ4wUQu38T7qRUgZzrQ9E87k2ZUZe3i9nIU8cZ-kIBsuX
2S6EvLCMNOtirdqDzX2sIJFmJsZHQlVgviFEu-OBs83-G0M258NGnhrVZV3GwhwrMZ3d-5D
PSjcB6VMmxKXnkKdjJXuqdWMIetQ1vVs_Eyy4MNsl74T0GGkniyjSIUDXqXyqvR6rLqmMTIM
QV6OgMu6mKwAc2PlF5AzARZe0pKDj3C1AbafNsdwwu6Zsg
24. The effects of vitamin D supplementation on interictal serum levels of calcitonin
gene-related peptide (CGRP) in episodic migraine patients: post hoc analysis of a
randomized double-blind placebo-controlled trial | The Journal of Headache and Pain
25. SIOMMMS – Vitamina D: l’80% degli italiani è carente
26. Effect of Vitamin D Deficiency on the Frequency of Headaches in Migraine - PMC
27. Review Assesses Role of Vitamin D in Migraine Mechanism, Treatment
28. Single bout of exercise triggers the increase of vitamin D blood concentration in
adolescent trained boys: a pilot study
29. Mobilising vitamin D from adipose tissue: The potential impact of exercise - Hengist -
2019 - Nutrition Bulletin - Wiley Online Library
30. Exercise: A Possibly Effective Way to Improve Vitamin D Nutritional Status - PMC.
2.3 Mechanism
31. Volatile Organic Compounds' Impact on Indoor Air Quality | US EPA
32. Headache symptoms and indoor environmental parameters: Results from the EPA
BASE study - PMC table 3
33. NASA Clean Air Study - Wikipedia

34. Potted plants do not improve indoor air quality: a review and analysis of reported
VOC removal efficiencies | Journal of Exposure Science & Environmental
Epidemiology
35. Air pollution, environmental chemicals, and smoking may trigger vitamin D deficiency:
Evidence and potential mechanisms - ScienceDirect